docs-maintenance
用于维护 sloc-guard 项目文档的技能。当用户完成某个功能并请求更新文档时使用。其维护原则是保持简洁、避免冗余、及时清理过时内容，以减少 AI 上下文占用。
Skill 广场
找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-06 00:14
写作与研究
14,812 个结果
error-consolidation-consolidate
用于把已汇总的 C# 诊断文章按解决策略重组的技能：将逐个诊断的 H2 小节合并为主题式 H2，先提出主题待批准，再更新主错误列表并撰写以修复为中心的说明。
error-consolidation-merge-existing
将用户已批准的独立 C# 编译器错误或警告文章合并进现有汇总文章，并同步创建重定向、更新 TOC，最后删除源文件。适用于来源清单获批之后的批量合并环节。
architectural-proposals
architectural-proposals 是一套在写代码前推动团队达成架构共识的提案写作方法，强调用文档替代昂贵重构，包含提案结构、语气规范、波次调整、决策框定与风险记录等模板。
docs-standards
docs-standards 是 dotnet/maui-labs 仓库中面向 Squad 文档的写作规范，结合 Microsoft 风格指南与 Squad 专属约定，统一文档句式、语气、结构与格式，并有明确的测试同步要求。
vectorization
dotnet/runtime 中编写与评审 SIMD/硬件内联代码的指南，帮助在标量算法向量化时选择合适 API、处理循环尾部与内存安全，并配套测试、基准测试和评审要点。
korean-grammar-checker
基于标准韩语规则的韩语语法检查技能，可检测并纠正拼写、隔写、语法结构与标点错误，例如되/돼、-ㄴ지/-는지、依存名词隔写、助词与语尾误用等，并给出错误原因、修正文本与确信度标注，适合韩语文档、技术文档和代码注释的审校。
korean-humanizer
korean-humanizer 是一个面向韩语的 AI 写作检测与润色技能，用于识别 AI 生成韩语文本的特征模式并改写为更自然的人类文风。它基于 KatFishNet 论文等语言学实证研究，按优先级对 6 大类共 40 种模式做分析（如逗号过多、隔写僵硬、词性单一、AI 惯用词汇、翻译腔），输出检测结果与改写版本。
korean-style-guide
韩语文档风格一致性检查器：不纠正拼写语法，只在同一文档或项目内检测并统一语气、术语、数字单位、列表、引号强调、日期时间、链接引用等7类风格冲突，给出统一方案与改写版本。
deep-research
deep-research 是一个面向结构化多来源调研的技能，运行过程分为五个阶段：先通过访谈明确研究范围与约束，再把主题拆解为研究角度，随后并行派出研究员分别调研，接着由综合器汇总带引用的报告，最后交付成果。它支持内联报告或写入指定目录两种输出方式，资料来源可选网页、代码库和记忆/知识库，并提供并行子代理与智能体团队两种协作模式。
ghost-writing
这是一个用于以 William Pei 的写作风格起草各类文本的技能，目标是让读者无法分辨文本并非出自本人之手。它不按输出格式决定语气，而是依据与读者的关系及内容重要性确定语域，并给出一套固定原则：结论先行、最少用词、用确信度梯度表达判断、将原因与代价写在同一句中、坦率声明未知与局限、先诊断后给方案等。它还规定澳大利亚英语拼写、只使用连字符而禁用长破折号、用“->”表示流程、句首大写、特定问候语与署名方式等写作机制，并列出可识别其本人的语言习惯与表达方式。使用前需确定目标读者，信息不足时应先询问；工作上下文中如有本人近期写作，应优先参照。对缺少可参考素材的受众（如外部客户、高管、正式文档）需标注请本人复核。
steelman
steelman 是一个用于构建“钢铁人论证”的技能：它为某个观点、想法或决策构建最强有力的支持理由，并通过专门的子代理完成。当用户想看到某个立场最好的版本时可以使用。该技能从用户最近的消息中确定目标；如果当前消息没有目标，则回看更早的对话，寻找最近讨论的对象；如果仍不清楚，就询问用户要对什么做钢铁人论证。对于有害、违法或涉及暴力、歧视的目标，它不会进行钢铁人论证，并会说明无法为该目标构建真正的倡导式论证。它强调只做倡导，不进行平衡、加注保留或指出弱点，也不是中立总结或反方论证；要求像目标正确一样推理，并向外构建最强证据、逻辑与价值，同时从目标自身逻辑内部回应最有力的反对意见。
transcribe-video
transcribe-video 是一个将视频或音频转写为纯文本的技能，支持本地文件以及 YouTube、Vimeo 等 URL。它通过脚本下载（若为 URL）并用 Whisper 转写语音，输出 .txt 文件。技能包含依赖检查、虚拟环境搭建、GPU 检测、模型选择与转写流程，并可用配置文件保存 Whisper 模型偏好。
writing-for-humans
writing-for-humans 是一个面向开发者文档写作的技能，强调用字面风格成文：每句话只陈述事实、机制或操作指令，不使用比喻、类比或重复表述。它有两种模式：写作模式（--mode write）从用户提供的源代码材料起草文档，审计模式（--mode audit）用同一套规则检查页面上已有的文字并给出替换建议。技能要求严格照抄标识符、用平实语言说明其余内容、不编造源材料中缺失的信息，并声称只适用于技术文档，不适用于营销文案或叙事内容。
prd-writing
用于撰写与审查产品需求文档（PRD）的技能，强调先讲问题、明确范围与成功指标，避免过度规定实现细节，让工程师能真正读懂并据此开发。
user-research-integration
把用户研究转化为产品决策的方法与约束集合。覆盖何时该做研究、如何选择访谈/可用性测试/问卷/数据分析，以及如何把发现落到具体产品行动。
willingness-to-pay
willingness-to-pay 是一个用于估算客户真实支付意愿的技能，基于结构化定价研究框架，涵盖 Van Westendorp、Gabor-Granger、竞争锚定与分段定价等方法，并给出反模式提示。
tagline-writing
tagline-writing 是一个用于撰写品牌标语、口号与标题的写作技能，帮助把产品定位浓缩成简短有力的文案。它提供四类写作目标、结构模式、避坑清单与生成流程，适合需要标语、主标题或一句话介绍的场景。
value-prop-writing
value-prop-writing 是一个用于撰写价值主张（value proposition）的技能，帮助把产品功能与用户所得连接起来。它提供固定句式、分层结构与输出模板，适用于落地页、营销文案等场景。
technical-writing
该技能提供一套分层技术写作标准，帮助开发者写出一次读懂的技术文档。它结合Diátaxis文档结构、Google开发者风格句式、STE指令规则和Global English语法，强调简洁、具体、无歧义。适用于教程、操作指南、参考文档和解释性内容的撰写，也适用于PR描述和提交信息。技能包含三条顶层规则：删除无用词、使用日常短词、规则损害句子时灵活调整。核心能力包括：按Diátaxis选择文档模式（教程、操作指南、参考、解释），用Google风格与读者对话，遵循STE规则使语句一次只承载一个指令，并依据Global English避免歧义。使用方式为在写作时应用这四层规则，并参考示例进行改写。限制包括：不涉及产品UI文案，不编辑unslop技能，需结合代码库实际命名。
unslop
Unslop 是一个用于去除文本中 AI 写作痕迹的编辑技能。它给出需要识别并改写的一系列模式，包括空泛的 -ing 短语、模糊的引述来源、AI 高频词汇、用复杂说法替代 is 或 has、“不只是 X 而是 Y”句式、强行三点并列、同义词轮换、无意义的范围表达等。语言与风格方面，它建议避免破折号和冒号滥用、过度加粗、行内标题式列表、标题大写、装饰性表情、弯引号等。它同时清理聊天机器人套话、谄媚语气、填充短语、过度模糊限定和空泛结论。它还列出应替换为具体说法的抽象隐喻名词，并主张主动语态、砍掉副词、使用朴素词汇、避免做作文风与过度压缩。使用时按这些规则扫描原文并改写，保留原意、匹配目标语气。
business-analyst
business-analyst 是一个面向项目管理与需求分析场景的技能，用于把模糊需求细化为可执行用户故事、BDD 验收标准与业务规则追踪。适用于编写用户故事、验收标准、需求分析或业务流程梳理。
docs-manager
docs-manager 是一个用于保持项目文档与代码同步的技能（skill）。它支持两种模式：update 模式用于在代码、规格或测试变更后按影响范围更新相关文档，init 模式用于首次扫描并初始化或核对选定的参考文档。该技能要求先检测模式，再完整读取对应模式的说明文件并执行其约定流程，包括确定范围与归属、运行检查、审查并报告证据。所有结论需有 file:line 证据支撑，任务进度需实时跟踪。
source-deep-dive
source-deep-dive 是一个面向深度研究场景的技能，用于在已有来源地图的基础上，对上一步生成的来源清单进行深入分析，交叉验证并整理成带引用和置信度的证据库。它读取先前生成的 tmp/research/_sources-{slug}.md 来源地图，按优先级抓取 5 至 8 个来源（上限 8 次 WebFetch），提取关键论断、数据、引文、研究方法、发布日期、作者资历与来源类型，再对不同来源的发现进行交叉验证，区分一致、分歧与单一来源，并为每条发现标注置信度（95%、80%、60% 或低于 60%）。最终输出 tmp/research/_evidence-{slug}.md 证据库，包含内联引用、未解决分歧与仍存缺口两部分，强调单一来源未被验证的说法不能作为事实，分歧须并列呈现。该技能需按既定步骤顺序执行，跟踪每步进度，并可用于 Codex 环境（通过 $skill-name 调用加载 SKILL.md）。